بازسازي تصوير سنگ مخزن متراكم با شبكه عصبي مولد رقابتي

بخش قابل توجهي از منابع هيدروكربني ايران از مخازن شكاف‌دار با ماتريس سنگ متراكم توليد مي‌شود. ساختار حفرات اين مخازن، پيچيدگي‌هاي زيادي دارد و حفرات و گلوگاه‌هاي ريز در ابعاد نانومتري ذخيره هيدروكربن را به‌عهده دارند. با درك ساختار فضاي متخلخل و بررسي جريان سيال درون حفرات ريز مي‌توان ديد بهتري از رفتار فضاي متخلخل در مقياس بزرگ به‌دست آورد. بررسي جريان سيال در سنگ مخزن نيازمند ساختارهاي سه‌بعدي با دقت مناسب است. با اين وجود استفاده از روش‌هاي مرسوم براي بازسازي شبكه حفرات پرهزينه است و از طرفي با پيچيده‌تر شدن اين ساختارها توانايي اين روش‌ها در بازسازي شبكه حفرات به‌طور چشم‌گيري كاهش مي‌يابد. در سال‌هاي اخير با پيشرفت در علوم كامپيوتر به ويژه هوش مصنوعي دروازه جديدي به‌منظور بازسازي ساختارهاي پيچيده به مانند سنگ مخزن گشوده شده است. با استفاده از روش‌هاي يادگيري ماشين مي‌توان مدل‌هاي سه‌بعدي با دقت بسيار بالا ايجاد و خواص پتروفيزيكي سنگ را از آن‌ها محاسبه كرد. يكي از اين روش‌ها شبكه عصبي مولد رقابتي مي باشد كه توانايي خود در بازسازي شبكه‌ حفرات را ثابت كرده است. در اين پژوهش، از يك شبكه عصبي مولد رقابتي با لايه‌هاي همگشتي به‌منظور بازسازي تصاوير FIB-SEM يك سنگ مخزن متراكم در مقياس حفره استفاده شده است. با استفاده از شبكه عصبي آموزش داده شده، تحقق‌هاي مختلفي از شبكه‌ حفرات ساخته مي‌شود. تخلخل و تراوايي تصاوير باز ساخته شده بسيار نزديك به اين خواص در نمونه تصوير واقعي بوده و داراي انحراف به‌ترتيب 1/07 و 5/24% براي تخلخل و تراوايي است. مشاهده مي‌شود كه شبكه عصبي مولد رقابتي تونايي بالايي در بازسازي شبكه حفرات دارد و مي‌توان با كمك آن به بررسي شرايط سنگ مخزن در مقياس حفره پرداخت.